Gestin de Operaciones

Captulo 2: Pronsticos de Demanda

Introduccin
Permiten estudiar la demanda futura, accin importante en el diseo de un producto. Relaciones relevantes:
Pronstico - Planeacin. Demanda - Ventas.

Captulo 2: Pronsticos de Demanda

# 2

Introduccin
Es importante ver el horizonte y nivel de agregacin que se requiere para el pronstico de demanda:
Nivel Estratgico:
Largo plazo / A nivel del sector industrial.

Nivel Tctico:
Mediano plazo / A nivel de lneas de producto.

Nivel Operacional:
Corto Plazo / A nivel de producto (SKU).

Ejemplo: Fbrica de Zapatos.

Nivel Estratgico: Demandas globales a 5 aos. Nivel Tctico: Demanda por lnea para la prxima temporada. Nivel Operativo: Demanda por modelo y nmero para la prxima semana.
Captulo 2: Pronsticos de Demanda # 3

Mtodos de Pronstico
Existen dos tipos:
Mtodos Cualitativos: son aquellos que dependen de
juicios.

Mtodos Cuantitativos: son aquellos que poseen un

modelo subyacente.
Losdatosypatronesdedatosseutilizancomoindicadores confiablesparapredecirelfuturo. IncluyenSeriesdeTiempoyModelosCausales.

Captulo 2: Pronsticos de Demanda

# 4

Mtodos de Pronstico
Usos:
Uso Diseo del proceso Planeacin de la capacidad de las instalaciones Planeacin Agregada Programacin Horizonte Exactitud Nmero de Nivel Mtodo de de tiempo necesaria productos gerencial pronstico largo media uno o pocos alto cualitativos y causales largo media uno o pocos alto cualitativos y causales mediano alta pocos mediano causales y series de tiempo corto la ms alta muchos ms bajo series de tiempo la ms alta muchos ms bajo series de tiempo

Administracin de Inventarios corto

Captulo 2: Pronsticos de Demanda

# 5

Mtodos Cualitativos
Caractersticas Generales:
Seposeepocainformacin. Existealtaincertidumbre. Setieneescasacapacidaddeproceso. Horizontedemedianoolargoplazo.

Uso tpico: Decisiones estratgicas

SeleccindeMercados DiseodeProcesos. SeleccindeProductosNuevos.

Mtodos Populares
Grass Root InvestigacindeMercados PaneldeConsenso MtodoDelphi
Captulo 2: Pronsticos de Demanda # 6

Mtodos Cualitativos
1.- Mtodo Delphi:
Grupo de expertos que se rene durante varias sesiones de reconsideraciones en busca de consensos respecto a un grupo de preguntas adecuado a la situacin que se enfrenta.

Caractersticas:
Se usa en la introduccin de nuevos productos y cambios tecnolgicos. Es regular en exactitud y puntos de cambio. Posee un costo mediano o alto.

Captulo 2: Pronsticos de Demanda

# 7

Mtodos Cualitativos
Ejemplo: Empresa que requiere pronstico de ventas a 5 aos y que posee una baja capacidad, lo que hace difcil usar ventas como informacin de demanda.
Participacin de 23 administradores. Datos: PGB, ventas del sector y ventas de la empresa por 5 aos. Varias preguntas para obligar a pensar en relaciones. Resultado: Mucha dispersin al comienzo, pero se convergi a un buen pronstico.

Captulo 2: Pronsticos de Demanda

# 8

Mtodos Cualitativos
2.- Investigacin de Mercado:
Corresponden bsicamente a paneles, cuestionarios y pruebas de mercado. Caractersticas:
Tpicamenteseusanparaprobarnuevosproductos (yogurt)oentest polticos(encuestas). Sonbuenosacortoplazo. Relativamentecaras. Permitenidentificarpuntosdecambio

Captulo 2: Pronsticos de Demanda

# 9

Mtodos Cualitativos
3.- Analoga a los Ciclos de Vida:
Consiste en identificar en que fase de su vida se encuentra un producto, para esto se analizan las curvas de crecimiento de productos similares. Fases: Introduccin. Crecimiento. Maduracin. Saturacin.

Ejemplos:

Juguetes. VHS.

Captulo 2: Pronsticos de Demanda

#10

Mtodos Cualitativos
4.- Juicio Bien Informado:
Se basa slo en la experiencia y en la intuicin. Caractersticas:
Tienen un gran uso. Posee una exactitud baja. Costo bajo. Regular en la identificacin de puntos de cambio.

Ejemplo:
Edificios de departamentos.

Captulo 2: Pronsticos de Demanda

#11

Series de Tiempo
Caractersticas:
Estos mtodos utilizan datos histricos y los proyectan a futuro. Son de corto plazo. Es necesario contar con datos internos. No captan patrones de cambio.

Captulo 2: Pronsticos de Demanda

#12

Finding Components of Demand

140 140 120 120 100 100 80 80 60 60 40 40 20 20
00 11 33 55 77 99

Sales Sales Price

11 13 13 15 15 17 17 19 19 21 21 23 23 25 25 27 27 29 29 11 Week Week
Captulo 1: La Funcin de Operaciones #13

Series de Tiempo

Demanda

Serie de tiempo original

Tiempo

Serie de Tiempo Original

Captulo 2: Pronsticos de Demanda #14

Series de Tiempo
Ciclo

Demanda

Patrn de estacionalidad Tendencia Nivel Aleatorio

Tiempo

Serie de Tiempo Descompuesta

Captulo 2: Pronsticos de Demanda #15

Series de Tiempo
Componentes:
Ruido: parte aleatoria (si es muy alto es difcil hacer pronsticos). Estacionalidad. Tendencia. Nivel (base). Qu mas ?

Captulo 2: Pronsticos de Demanda

#16

Series de Tiempo
Notacin:
Dt: Ft+1: At: et = Dt demanda observada en el perodo t. pronstico para el perodo t+1. promedio calculado para el perodo t. - Ft : error de pronstico.

Tpicamente se conocen Dt-k,....., Dt y se busca Ft+1, Ft+2,....

Captulo 2: Pronsticos de Demanda

#17

Series de Tiempo
1.- Promedios Mviles Simples:
Se sugiere que la serie de tiempo tiene componentes de valor promedio.

Dt + Dt +1 + ... + Dt N +1 At = N
Se toma Ft+1=At.

Captulo 2: Pronsticos de Demanda

#18

Calculando Promedios Mviles

Mes 1 2 3 4 5 6 7 8 9 10 11 12 Demanda 3-Mes 6-Mes 650 F4= (650+678+720)/3 678 = 682.67 720 F7 = (650+678+720 +785+859+920)/6 785 682.67 859 727.67 =768.67 920 788.00 850 854.67 768.67 758 876.33 802.00 892 842.67 815.33 920 833.33 844.00 789 856.67 866.50 844 867.00 854.83

Promedio Mvil Simple

140 120

100

Demand 3-Week 6-Week

80

60

40

20

0 1 3 5 7 9 11 13 15 Weeks 17 19 21 23 25 27 29

Series de Tiempo
2.- Promedios Mviles Ponderados:
Sihayvariabilidadenlademandasepuedenusarpromedios mvilesponderados,asignandomayorponderacinalosltimos perodos.

Ft +1 = At = Wt Dt + ...... + Wt N +1 Dt N +1
i =t N 1

Wi = 1

1 (caso simple, Wi = N )

No es recomendable por:
Complejidad. Sedebenllevarlosregistrosdedemandahistricos. Clculodelasponderaciones.
Captulo 2: Pronsticos de Demanda #21

Promedio Mvil Ponderado

140 120 100

Demand 3-Week Weighted

80

60

40

20

0 1 3 5 7 9 11 13 15
Weeks

17

19

21

23

25

27

29

Series de Tiempo
3.- Alisamiento Exponencial Simple:

At = Dt + (1 ) At 1 Ft +1 = At
At-1 refleja la historia.
Si se cree en la ltima demanda Si se cree en la historia

0 < <1

1. 0.
#23

Captulo 2: Pronsticos de Demanda

Series de Tiempo
El efecto de los primeros perodos se va atenuando en forma exponencial:

Ft +1 = Dt + (1 ) At 1

= Dt + (1 ) [ Dt 1 + (1 ) At 2 ] = Dt + (1 ) Dt 1 + (1 ) 2 Dt 2 + ... ... + (1 ) t D1

Captulo 2: Pronsticos de Demanda

#24

Alisamiento Exponencial Simple

140 120 100

Demand alpha=0.9 alpha=0.5

80

60

40

20

0 1 3 5 7 9 11 13 15
Weeks

17

19

21

23

25

27

29

Series de Tiempo
4.- Alisamiento Exponencial con Tendencia:

At = Dt + (1 ) ( At 1 + Tt 1 ) Tt = ( At At 1 ) + (1 ) Tt 1 Ft + k = At + k Tt
Donde Tt es la tendencia.

0 < <1 0 < <1 k = 1,2,...

Captulo 2: Pronsticos de Demanda

#26

Alisamiento Exponencial con Tendencia

180 160 140 120 100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 -20
Demand a b=0.8 =0.9 & =0.9 & a b=0.2

Weeks
Captulo 1: La Funcin de Operaciones #27

Series de Tiempo
Errores de Pronstico:
Losindicadoresdeerrorsirvenparaverenqu momento elpronsticofallaolosdatosnosirven.

Indicadores:
Desviacinmediaabsoluta:

1 MAD = Dt Ft n t

1 MAD 0.8 desv. estandard 1 des. estandard 1.25 MAD

El valor ideal de MAD es cero (ie, no existe error de pronsticos). Mientras mas grande MAD, menor la precisin del modelo. MAD se usa para Compare distintos modelos de pronsticos. Elegir el mejor modelo dentro de una familia de modelos
Captulo 2: Pronsticos de Demanda #28

MAD para Determinar Error de Pronstico

Ej: Suavizado Exponencial Simple
140 120 100 80 60 40 20 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
5 15

Sales

25

20

MAD

10

0 0 0.1 0.2 0.3 0.4

Week
188 178 168 158 148 138 128 118 108 98 88 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
18

0.5

0.6

0.7

0.8

0.9

Sales

17 16 15 14 13 12 11 10 9 8 0 0.1 0.2 0.3

MAD

0.4

Week

0.5

0.6

0.7

0.8

0.9

Mtodos Causales
1.- Regresin Lineal:

y = a +b x
x:

y:

variable independiente. variable dependiente.

La idea es ajustar una curva a los puntos con que se cuenta.

i yi ) 2 = Min (a + b xi yi ) 2 Min ( y
i i
Captulo 2: Pronsticos de Demanda #30

Regresin Lineal
188 Sales

168

148

128

108

Sales Sales Regression

1 3 5 7 9 11 13 15 17 17 19 19 21 21 23 23 25 25 27 27 29 29

88

Week

Captulo 1: La Funcin de Operaciones

#31

Regresin Lineal
Como resultado se obtiene:

n n xi yi xi yi i i i b= 2 2 n xi xi i i
Captulo 2: Pronsticos de Demanda #32

a=

y
i

x
i

Regresin Lineal
n xi yi xi yi i i i 2 R = 2 2 2 2 n xi xi n yi yi i i i i
Donde R2 mide la proporcin de la variacin de y explicada por x. Valores sobre 50% se consideran buenos.
Captulo 2: Pronsticos de Demanda #33

Mtodos Causales
Ejemplo:
y: x1: x2: x3: Venta de peridicos. Nmero de habitantes. Ingreso per capita. Competencia.

Se puede extender a formulaciones complejas.

( y = f x, z , w)

Captulo 2: Pronsticos de Demanda

#34

Mtodos Causales
Principales caractersticas:
Es til cuando existen fuertes relaciones causales. Uso tpico para horizontes de corto y mediano plazo. Permite identificar bien puntos de cambio. Es un mtodo caro. Requiere sofisticacin. Es fcil cometer errores.

Captulo 2: Pronsticos de Demanda

#35

Aplicacin
Estimacin de Demanda Para una Tienda por Departamentos Modelo de 3 Factores
Elasticidad Precio

Demanda

Demanda

Demanda

Elasticidad Inventario

Estacionalidad

Tiempo

Precio

Inventario en Tienda

Demanda = Estacionalidad Elast. Precio Elast. Inventario Demanda = Estacionalidad Elast. Precio Elast. Inventario
Captulo 1: La Funcin de Operaciones #36

Aplicacin
Modelo de 3 Factores
Sweater Sport
Precio / P. Inicial

1.0 0.8
Stock / max Stock

P. Inicial = $18.990 Stock Max.= 570 Venta Max. = 513

0.6 0.4 0.2

Ventas / max Ventas

0 7 12 17 22 27 32 Semana (Temporada 2002)

Captulo 1: La Funcin de Operaciones #37

Aplicacin
Enfoque de Estimacin Jerrquico
Datos Agrupados por Subclase yyGrupos de Tiendas Datos Agrupados por Subclase Grupos de Tiendas Estacionalidad Temporal Estacionalidad Temporal Efecto Promocin Efecto Promocin Elasticidades Precio eeInventario Promedio Elasticidades Precio Inventario Promedio

Datos Agrupados por Estilo y Grupos de Tiendas Datos Agrupados por Estilo y Grupos de Tiendas Estacionalidad Precio Especifica del Estilo Estacionalidad Precio Especifica del Estilo

Datos Agrupados por Estilo yyTienda Datos Agrupados por Estilo Tienda Factor de Ajuste Magnitud de Ventas Especfica Factor de Ajuste Magnitud de Ventas Especfica aacada Estilo yyTienda cada Estilo Tienda
Captulo 1: La Funcin de Operaciones #38

Aplicacin: Modelo
Demanda Estilo i Estacionalidad Subclase Efecto Promocin Elasticidad Precio Estilo i

P I Di (t , P, I ) = K i K (t ) K prom exp ( + i )(1 ) + max(0,1 ) PInicial Ic

Magnitud Ventas Estilo i

Elasticidad Precio Subclase

Elasticidad Inventario Subclase

t = Tiempo (Semana) P = Precio PInicial = Precio Inicial (salida)

I = Inventario Ic = Inventario Crtico

Captulo 1: La Funcin de Operaciones #39

Aplicacin: Resultados
Sweater Sport ML SE2005 University Club Sweater Sport ML SE2005 University Club (Alto las Condes - -Parque Arauco) (Alto las Condes Parque Arauco)
250 250
ndice de Ajuste Modelo sin Promocin 0.53 287 Modelo con Promocin 0.55 242

200 200 Venta (Unidades) Venta (Unidades)

150 150

Real Real Modelo sin Promocin Modelo sin Promocin Modelo con Promocin Modelo con Promocin

R2 MSE

100 100

50 50

7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 39 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 39 Semana (Invierno 2002) Semana (Invierno 2002)

AjustemejoraalconsiderarEfectoPromocin AjustemejoraalconsiderarEfectoPromocin
Captulo 1: La Funcin de Operaciones #40

Aplicacin: Resultados
Sweater Sport ML 6884 Saville Row Sweater Sport ML 6884 Saville Row (Alto las Condes - -Parque Arauco) (Alto las Condes Parque Arauco)
30 30 25 25 Ve n ta (U n id a d e s) Ve n ta (U n id a d e s) 20 20 15 15 10 10 5 0 5 0 8 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 Semana (Invierno 2002) Semana (Invierno 2002)

Real Real Modelo Modelo

R2=0,67

Captulo 1: La Funcin de Operaciones

#41

Aplicacin: Resultados
Casaca Tela TJ21 Gianni Morelli Casaca Tela TJ21 Gianni Morelli (Alto las Condes - -Parque Arauco) (Alto las Condes Parque Arauco)
40 40 35 35 Venta (Unidades) Venta (Unidades) 30 30 25 25 20 20 15 15 10 10 5 0 5 0 7 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 34 38 39 7 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 34 38 39 Semana (Invierno 2002) Semana (Invierno 2002)

R2=0,32
Real Real Modelo Modelo

Captulo 1: La Funcin de Operaciones

#42

Mtodos Causales
2.- Modelos Economtricos:
Sistema de ecuaciones de regresin interdependientes para describir un proceso complejo. Caractersticas:
Complejidad alta. Costo alto. Son de largo plazo. Buenos para identificar puntos de cambio.

Ejemplos:
Precio cobre. Sectores de la economa.
Captulo 2: Pronsticos de Demanda #43

Mtodos Causales
4.- Simulacin:
Caractersticas:
La simulacin de sistemas es complejo. Cara de implementar. Horizonte de corto a mediano plazo. Puede identificar puntos de cambio.

Ejemplo:
Distribucin en cadena, para ver demanda de distintos elementos. Planos de produccin, para conocer la demanda por insumos. Transporte urbano, para ver equilibrio vehicular.
Captulo 2: Pronsticos de Demanda #44

Criterios de Eleccin
1.- Sofisticacin del usuario y del sistema.
No se deben dar saltos bruscos.

2.- Tiempo y recursos disponibles. 3.- Tipo de decisin.

Trade-off entre costo y calidad del pronstico. Ejemplo: Falabella vs Negocio chico.

4.- Disponibilidad de datos. 5.- Patrn de datos.

Si es causal no se pueden usar series de tiempo.

Captulo 2: Pronsticos de Demanda

#45